⚛️ quantum physics

Regression and Classification with Single-Qubit Quantum Neural Networks

Este artigo apresenta uma Rede Neural Quântica de Qubit Único (SQQNN) eficiente em recursos que utiliza uma nova técnica de carregamento de dados e um método de treinamento inspirado em regressão polinomial para alcançar um desempenho rápido e livre de erros tanto em tarefas de regressão quanto de classificação em dispositivos quânticos de curto prazo.

Autores originais: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

Publicado 2026-08-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando ensinar um computador a reconhecer padrões, como identificar um gato em uma foto ou prever o tempo para amanhã. Durante décadas, usamos computadores "clássicos", que pensam em bits — pequenos interruptores que são ou 0 ou 1. Mas há um novo jogador na área chamado computação quântica. Em vez de interruptores simples, os computadores quânticos usam "qubits". Pense em um qubit não como um interruptor de luz, mas como uma moeda girando. Enquanto está girando, ela não é apenas cara ou coroa; é um borrão de ambos ao mesmo tempo. Isso permite que os computos quânticos explorem muitas possibilidades simultaneamente, como tentar todas as chaves em um chaveiro gigante de uma só vez, em vez de uma por uma.

A grande questão que os cientistas estão fazendo é: Podemos usar essas moedas instáveis e giratórias para construir "redes neurais" melhores? Redes neurais são o software "cerebral" por trás da IA que aprende com dados. Normalmente, essas redes são enormes e ávidas por energia. Mas e se pudéssemos construir uma IA super eficiente usando apenas uma única e minúscula moeda quântica? Este é o campo de jogo do "Aprendizado de Máquina Quântico", um campo onde as regras estranhas da física quântica se encontram com a magia do reconhecimento de padrões da IA. O objetivo é criar modelos que sejam tão pequenos e eficientes que possam rodar nos computadores quânticos frágeis e em estágio inicial que temos agora, em vez de esperar por máquinas massivas e perfeitas do futuro.

Entra a Rede Neural Quântica de Qubit Único (SQQNN), uma ideia nova e inteligente proposta pelos pesquisadores Leandro C. Souza e sua equipe. Eles fizeram uma pergunta simples: Precisamos de uma máquina quântica gigante e complexa para aprender, ou podemos realizar o trabalho com apenas um pequeno qubit? A resposta deles é um "sim" retumbante: "nós podemos". Eles construíram um modelo que atua como um único neurônio quântico superinteligente. Em vez de usar um exército massivo de qubits, o sistema deles usa apenas uma moeda giratória para processar informações.

Aqui está como o truque de mágica deles funciona. Em um computador normal, um "neurônio" recebe números, faz algum cálculo matemático e cospe uma resposta. Na SQQNN, o "neurônio" é um único qubit. Os pesquisadores alimentam esse qubit com dados fazendo-o girar em direções específicas (usando o que chamam de portas de rotação). É como dizer à moeda giratória: "Gire um pouco mais se a entrada estiver quente, e gire menos se estiver fria". Depois que o qubit foi girado e torcido com base nos dados, os pesquisadores o medem. Devido às regras quânticas, o resultado não é um simples sim ou não, mas uma probabilidade — um palpite que pende para um lado ou para o outro. Ao ajustar os "ângulos de rotação" (os pesos), a rede aprende a fazer palpites melhores ao longo do tempo.

A equipe descobriu que essa configuração minúscula de um único qubit é surpreendentemente poderosa. Eles testaram em dois tipos principais de tarefas: regressão (prever um número, como quanta eletricidade uma usina gerará) e classificação (separar coisas em grupos, como distinguir se um tumor é benigno ou maligno).

Para os trabalhos de previsão de números, eles usaram um método padrão chamado "descida do gradiente". Imagine que você está descendo uma montanha nebulosa de olhos vendados. Você sente o chão sob seus pés; se ele inclina para baixo, você dá um passo naquela direção. Se inclina para cima, você dá um passo para trás. A SQQNN faz isso matematicamente, sentindo a "inclinação" de seus erros e ajustando seus ângulos para deslizar até o erro mínimo possível. Eles testaram isso em enigmas lógicos (como as portas clássicas AND, OR, XOR) e dados do mundo real, como a produção de uma usina elétrica. Os resultados foram impressionantes: a rede de qubit único aprendeu essas tarefas com pouquíssimos passos e erros minúsculos, muitas vezes superando modelos quânticos mais antigos e complexos que utilizavam dois qubits.

Para os trabalhos de classificação, eles inventaram um truque de treinamento totalmente novo. Em vez de descer a montanha passo a passo, eles usaram um método de "mínimos quadrados lineares baseados em polinômios". Pense nisso como ter um mapa que mostra exatamente o fundo do vale em um único olhar, em vez de tropeçar pelo caminho na neblina. Ao transformar o problema em um tipo específico de enigma matemático, eles puderam calcular a resposta perfeita em um único passo. Isso tornou o treinamento incrivelmente rápido — muitas vezes levando apenas alguns segundos em um laptop comum. Eles testaram isso em conjuntos de dados famosos, como os dados de câncer de mama do Wisconsin (classificando células cancerígenas) e até partes do conjunto de dados MNIST (reconhecendo números manuscritos). Em muitos casos, a rede de qubit único alcançou uma precisão quase perfeita, distinguindo pares difíceis de números como "2 e 3" ou "8 e 9" com mais de 97% de sucesso.

Os pesquisadores são cuidadosos ao notar que esses resultados vêm de simulações. Eles rodaram seu modelo quântico em um computador clássico que fingia ser um quântico. Eles ainda não o executaram em uma máquina quântica real, mas estão otimistas. Por quê? Porque as operações de qubit único estão entre as coisas mais confiáveis que podemos fazer no hardware quântico atual. Elas têm menos probabilidade de quebrar ou apresentar ruído do que sistemas complexos de múltiplos qubits. Isso sugere que, quando eventualmente rodarem isso em hardware real, deve funcionar bem.

Em resumo, este artigo sugere que não precisamos esperar por supercomputadores quânticos massivos e livres de erros para começar a fazer IA útil. Ao usar uma abordagem de "menos é mais" com uma única e bem ajustada moeda quântica, podemos construir modelos que são rápidos, precisos e prontos para os dispositivos quânticos que temos hoje. É um lembrete de que, às vezes, a ferramenta mais poderosa não é a maior, mas aquela que sabe exatamente como girar.

Resumo Técnico: Regressão e Classificação com Redes Neurais Quânticas de Um Único Qubit

Definição do Problema
O artigo aborda a necessidade de Redes Neurais Quânticas (QNNs) eficientes em termos de recursos e escaláveis, adequadas para dispositivos quânticos de curto prazo (NISQ). Embora o aprendizado de máquina clássico tenha transformado o reconhecimento de padrões e a tomada de decisões, a computação quântica oferece vantagens potenciais por meio de paralelismo e emaranhamento. No entanto, muitas arquiteturas de QNN existentes exigem circuitos complexos de múltiplos qubits que são propensos a ruído e decoerência. Os autores propõem uma Rede Neural Quântica de Um Único Qubit (SQQNN) para realizar tarefas de regressão e classificação binária utilizando o mínimo de recursos quânticos, especificamente aproveitando neurônios de um único qubit e operadores unitários parametrizados.

Metodologia
A arquitetura SQQNN proposta é construída sobre um modelo generalizado de neurônio quântico de um único qubit.

Modelo de Neurônio: A unidade fundamental é um único qubit submetido a uma sequência de portas de rotação $R_z(\alpha)R_y(\beta)R_z(\gamma)$ , onde os ângulos são funções dos dados de entrada. A saída é o valor de expectativa de um observável $O$ , medido após uma mudança de base unitária $U_O$ . Os autores definem uma equação de saída geral (Eq. 1) dependente dos parâmetros do estado de entrada e dos pesos treináveis.
Arquitetura: A rede consiste em $K$ neurônios de um único qubit conectados sequencialmente. O efeito cumulativo desses neurônios é matematicamente equivalente a um único neurônio quântico efetivo.
Codificação de Dados: Diferente de abordagens anteriores que decompõem entradas de alta dimensão em múltiplos vetores 3D (aumentando a profundidade do circuito), este método emprega uma estratégia de "re-upload de dados" (data re-uploading). Os dados de entrada são pré-processados classicamente para calcular os ângulos para as portas de rotação. Especificamente, os parâmetros de rotação são modelados como funções polinomiais aditivas das características de entrada (Eq. 4), permitindo que a rede lide diretamente com dimensões de entrada arbitrárias.
Modelo Reduzido: Uma versão simplificada da SQQNN é introduzida onde o estado de entrada e o observável são fixos (medidos na base computacional), reduzindo os parâmetros treináveis a um único ângulo $\beta$ por neurônio, que se soma a um ângulo de rotação global.
Estratégias de Treinamento:
- Regressão: O modelo utiliza o Gradiente Descendente para minimizar o Erro Quadrático Médio (MSE). Os autores fornecem expressões analíticas para as derivadas parciais da saída em relação aos ângulos da rede, facilitando a otimização eficiente.
- Classificação: Para classificação binária, os autores introduzem um novo método de Mínimos Quadrados Lineares (LLS) baseado em Polinômios. Ao transformar o problema de classificação em uma tarefa de regressão via uma função $\text{arctanh}$ nos rótulos, os pesos podem ser determinados em uma única etapa usando a pseudo-inversa de Moore–Penrose (Eq. 6). Esta abordagem busca um minimizador global de um objetivo de mínimos quadrados quadrático transformado, evitando mínimos locais comuns em métodos iterativos baseados em gradiente.

Principais Contribuições

Arquitetura Eficiente em Recursos: A proposta de uma QNN de um Único Qubit que generaliza o trabalho anterior (Ref. [31]) ao lidar com entradas multidimensionais sem decompô-las, reduzindo assim a profundidade do circuito e as demandas de hardware.
Novo Algoritmo de Treinamento: O desenvolvimento de um método de treinamento de forma fechada e baseado em matrizes para classificação, inspirado na regressão polinomial. Este método permite a estimativa determinística e rápida de parâmetros em uma única etapa, acelerando significativamente o treinamento em comparação ao gradiente descendente iterativo.
Versatilidade: Demonstração da capacidade da SQQNN de realizar tanto regressão (portas lógicas, funções contínuas, conjuntos de dados do mundo real) quanto classificação binária (conjuntos de dados sintéticos e do mundo real) com alta precisão.

Resultados
Os autores avaliaram a SQQNN usando simulações clássicas de circuitos quânticos em vários conjuntos de dados:

Tarefas de Regressão:
- Portas Lógicas: A SQQNN alcançou baixos erros de treinamento (MSE variando de $6 \cdot 10^{-4}$ a $2 \cdot 10^{-3}$ ) para as portas AND, OR, XOR, NAND, NOR e XNOR com relativamente poucos épocas de gradiente descendente (38–79).
- Função Sinc: O modelo aproximou com sucesso a função oscilatória sinc, mantendo o desempenho mesmo com a adição de ruído branco, convergindo para um MSE de aproximadamente $10^{-3}$ .
- Dados do Mundo Real: No conjunto de dados Combined Cycle Power Plant (CCPP), o modelo alcançou um MSE de teste de $0,0035 \pm 0,0002$ , superando resultados quânticos anteriores por uma ordem de magnitude. No conjunto de dados Communities and Crime, alcançou um MSE de teste de $0,1195 \pm 0,0252$ , significativamente menor que os benchmarks clássicos citados na literatura.
Tarefas de Classificação:
- Two Moons: O modelo atingiu 100% de precisão neste conjunto de dados sintético não linearmente separável com uma ordem de modelo $K_{code} \ge 4$ .
- Wisconsin Breast Cancer (WBCD): O modelo alcançou uma precisão de $0,956 \pm 0,028$ , superando ligeiramente um ensemble de bagging quântico relatado na literatura.
- MNIST: Usando uma SQQNN reduzida com $K_{code}=1$ e pré-processamento por Transformada Discreta de Cosseno (DCT), o modelo alcançou precisão quase perfeita (ex: $0,999 \pm 0,001$ para dígitos 0 vs. 1) em tarefas de classificação binária de dígitos. Os tempos de treinamento foram reportados como aproximadamente 8 segundos por iteração em um laptop padrão.

Significância e Alegações
O artigo afirma que a SQQNN oferece uma alternativa versátil, escalável e prática para modelos de múltiplos qubits em dispositivos quânticos de curto prazo. Ao depender de portas de um único qubit, que estão entre as operações mais confiáveis no hardware atual com mínima decoerência, o modelo é bem adequado para implantação em dispositivos NISQ. Os autores enfatizam que o método de treinamento LLS baseado em polinômios proporciona uma aceleração significativa para tarefas de classificação ao encontrar minimizadores globais do objetivo de mínimos quadrados quadrático transformado em uma única etapa.

Os resultados demonstram que a SQQNN pode aprender relações lineares e não lineares com forte desempenho em muitos dos cenários testados. Embora os resultados atuais sejam baseados em simulações clássicas, os autores observam que a profundidade rasa e a natureza de um único qubit dos circuitos os tornam favoráveis para o hardware quântico real, embora a validação experimental em dispositivos reais permaneça como um passo futuro necessário. O trabalho destaca o potencial de modelos quânticos leves para preencher a lacuna entre as capacidades atuais de hardware quântico e aplicações práticas de aprendizado de máquina.

Mais como este